技術(shù)特征：

1.一種基于粒子群優(yōu)化算法風(fēng)速融合的風(fēng)電功率預(yù)測(cè)的方法，其特征在于，所述方法包括：

步驟一，獲取預(yù)設(shè)的時(shí)間范圍內(nèi)歷史的風(fēng)電場(chǎng)數(shù)據(jù)，得到訓(xùn)練集X和預(yù)測(cè)集Y；對(duì)所述風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理；其中，所述風(fēng)電場(chǎng)數(shù)據(jù)包括風(fēng)電場(chǎng)實(shí)發(fā)風(fēng)速、實(shí)發(fā)功率和多氣象源風(fēng)速數(shù)據(jù)；

步驟二，利用灰色關(guān)聯(lián)分析選擇氣象源，將選擇的氣象源風(fēng)速作為預(yù)測(cè)風(fēng)電功率的風(fēng)速數(shù)據(jù)；

步驟三，利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，并采用所述融合后風(fēng)速數(shù)據(jù)作為預(yù)測(cè)模型的輸入；

步驟四，對(duì)訓(xùn)練集X中風(fēng)速數(shù)據(jù)分段；

步驟五，建立風(fēng)速與功率的回歸模型。

2.如權(quán)利要求1所述的方法，其特征在于，所述步驟一中所述對(duì)所述風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行預(yù)處理，具體為：

剔除訓(xùn)練集X中實(shí)發(fā)功率和實(shí)發(fā)風(fēng)速出現(xiàn)的非法數(shù)據(jù)；和，剔除訓(xùn)練集X中的不匹配點(diǎn)。

3.如權(quán)利要求2所述的方法，其特征在于，所述剔除訓(xùn)練集X中實(shí)發(fā)功率和實(shí)發(fā)風(fēng)速出現(xiàn)的非法數(shù)據(jù)，具體為：

判斷訓(xùn)練集X中實(shí)發(fā)風(fēng)速中是否存在的突變點(diǎn)，所述突變點(diǎn)包括實(shí)發(fā)風(fēng)速值異常大，短期內(nèi)實(shí)發(fā)風(fēng)速值急劇增大或減小的點(diǎn)；若是，則對(duì)突變點(diǎn)平滑處理，所述對(duì)突變點(diǎn)平滑處理采用公式(1)消除實(shí)發(fā)風(fēng)速的突變點(diǎn)；

其中，V_i為i時(shí)刻風(fēng)速，V_i-1為i-1時(shí)刻風(fēng)速，V_i+1為i+1時(shí)刻風(fēng)速，V_i+2為i+2時(shí)刻風(fēng)速，V_i+3為i+3時(shí)刻風(fēng)速；ξ為相隔采樣點(diǎn)風(fēng)速變化的閥值；m為最大風(fēng)速閥值。

4.如權(quán)利要求2所述的方法，其特征在于，所述剔除訓(xùn)練集X中的不匹配點(diǎn)，具體為：

判斷訓(xùn)練集X中是否存在風(fēng)速與功率變化方向相反的數(shù)據(jù)，所述風(fēng)速與功率變化方向相反的數(shù)據(jù)包括風(fēng)速大、功率小的數(shù)據(jù)，以及風(fēng)速小、功率大的數(shù)據(jù)；若存在，則采用不匹配點(diǎn)剔除方法來(lái)剔除不匹配點(diǎn)，所述不匹配點(diǎn)剔除方法包括：

步驟(1)數(shù)據(jù)標(biāo)準(zhǔn)化處理：

$D^{*}=\frac{D-D_{min}}{D_{max}-D_{min}}$

其中，D_max為歷史建模數(shù)據(jù)中的最大值；D_min為歷史建模數(shù)據(jù)中的最小值；D為實(shí)際值；D^*為標(biāo)準(zhǔn)化處理后的值；

對(duì)歷史建模數(shù)據(jù)中的實(shí)發(fā)功率、實(shí)發(fā)風(fēng)速進(jìn)行標(biāo)準(zhǔn)化處理，區(qū)間為[0,1]；

步驟(2)不匹配點(diǎn)剔除：

$P_i=\left\{\begin{array}{cc}-1000,& |P_i^{*}-V_i^{*}|\>s\\ P_i,& |P_i^{*}-V_i^{*}|\≤s\end{array}\right.$

其中，P_i為i時(shí)刻實(shí)發(fā)功率；P_i^*為i時(shí)刻實(shí)發(fā)功率標(biāo)準(zhǔn)化處理后的值；V_i^*為i時(shí)刻實(shí)發(fā)風(fēng)速標(biāo)準(zhǔn)化處理后的值；s為標(biāo)準(zhǔn)化功率與風(fēng)速差距閥值，s可取但不限于0.3；在不匹配點(diǎn)實(shí)發(fā)功率上標(biāo)記不匹配標(biāo)記，刪除處理實(shí)發(fā)功率帶不匹配標(biāo)記的那組數(shù)據(jù)。

5.如權(quán)利要求1所述的方法，其特征在于，所述步驟二中所述利用灰色關(guān)聯(lián)分析選擇氣象源，具體為：

采用灰色關(guān)聯(lián)分析評(píng)估多氣象源風(fēng)速中每個(gè)氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)性，比較不同氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)度，選擇關(guān)聯(lián)度較大的多個(gè)氣象源。

6.如權(quán)利要求5所述的方法，其特征在于，所述采用灰色關(guān)聯(lián)分析評(píng)估多氣象源風(fēng)速中每個(gè)氣象源風(fēng)速與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)性，具體包括：

(1)選擇實(shí)發(fā)風(fēng)速為母序列V_o，不同氣象源風(fēng)速為子序列V_i，V_i為第i個(gè)氣象源的風(fēng)速；

(2)對(duì)各序列參數(shù)歸一化處理；

(3)計(jì)算每個(gè)子序列中各參數(shù)與母序列對(duì)應(yīng)參數(shù)的關(guān)聯(lián)系數(shù)

$K_{ij}=\frac{{\min }_i{\min }_j|V_{oj}-V_{ij}|+{\mathrm{\ρmax}}_i{\max }_j|V_{oj}-V_{ij}|}{|V_{oj}-V_{ij}|+{\mathrm{\ρmax}}_i{\max }_j|V_{oj}-V_{ij}|}$

其中，K_ij為第i個(gè)子序列的第j個(gè)參數(shù)與母序列的第j個(gè)參數(shù)的關(guān)聯(lián)系數(shù)；ρ為分辨系數(shù)，取值范圍在[0,1]；

(4)計(jì)算關(guān)聯(lián)度，計(jì)算公式如下：

${\mathrm{\γ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{K}_{ij}$

其中，γ_i為第i個(gè)子序列與實(shí)發(fā)風(fēng)速的關(guān)聯(lián)度；N為子序列長(zhǎng)度；K_ij為計(jì)算得到的關(guān)聯(lián)系數(shù)。

7.如權(quán)利要求1所述的方法，其特征在于，所述步驟三中所述利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，具體為：

根據(jù)神經(jīng)網(wǎng)絡(luò)建模要求輸入矩陣為V＝[V₁,V₂,…,V_n]，目標(biāo)矩陣為P，其中式中，V₁,V₂,…,V_n表示不同的氣象源風(fēng)速；n表示選擇的有n個(gè)氣象源風(fēng)速；P表示預(yù)測(cè)集目標(biāo)矩陣；輸入V與輸出P行數(shù)相同。

8.如權(quán)利要求1所述的方法，其特征在于，所述步驟三中所述利用粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)，以進(jìn)行融合并得到較優(yōu)的融合后風(fēng)速數(shù)據(jù)，具體為：

(1)融合風(fēng)速V_f＝ω₁V₁+ω₂V₂+…+ω_nV_n，參數(shù)ω＝[ω₁,ω₂,…,ω_n]為對(duì)應(yīng)氣象源風(fēng)速V融合系數(shù)向量，設(shè)定參數(shù)范圍為[0,1]；

(2)根據(jù)粒子群優(yōu)化算法計(jì)算風(fēng)速融合系數(shù)向量ω，設(shè)定適應(yīng)度函數(shù)

V_diff＝|ωV^Τ-V_ture|＝|ω₁V₁+ω₂V₂…+ω_nV_n-V_ture|

式中，V_diff表示偏差；V_ture表示實(shí)發(fā)風(fēng)速；

(3)粒子群算法得到最小V_diff，此時(shí)對(duì)應(yīng)的氣象源風(fēng)速融合系數(shù)向量ω為風(fēng)速融合系數(shù)；

(4)使用氣象源風(fēng)速融合系數(shù)向量ω融合預(yù)測(cè)集Y中的各氣象源天氣預(yù)報(bào)風(fēng)速，得到測(cè)試風(fēng)速。

9.如權(quán)利要求1所述的方法，其特征在于，所述步驟四中所述對(duì)訓(xùn)練集X中風(fēng)速數(shù)據(jù)分段，具體為：

(1)劃分風(fēng)速區(qū)間

假設(shè)風(fēng)速與功率近似滿足風(fēng)機(jī)功率曲線，對(duì)風(fēng)速按照一定間隔g劃分區(qū)間；得到劃分區(qū)間的數(shù)量為l＝v_max/g，其中v_max為建模風(fēng)速的最大值；

(2)對(duì)l個(gè)區(qū)間內(nèi)的功率數(shù)據(jù)設(shè)定置信度剔除小概率數(shù)據(jù)，計(jì)算并記錄每個(gè)區(qū)間功率的平均值

(3)功率的平均值組成向量，并隨區(qū)間內(nèi)風(fēng)速值變大而近似符合風(fēng)機(jī)功率曲線分布，對(duì)功率的平均值所組成向量濾波使之變得平滑，平滑后的數(shù)據(jù)會(huì)出現(xiàn)極值點(diǎn)，該點(diǎn)所在區(qū)間l_max，極值點(diǎn)對(duì)應(yīng)風(fēng)速v'_max＝gl_max；

(4)訓(xùn)練集X中風(fēng)速最大為v_max，限定區(qū)間(c₁v_max,c₂v_max)，其中0＜c₁＜1，0＜c₂＜1，且c₁＜c₂；若極值點(diǎn)v'_max出現(xiàn)在限定區(qū)間內(nèi)，則極值點(diǎn)v'_max為分段點(diǎn)；若極值點(diǎn)v_max未出現(xiàn)在限定區(qū)間，或無(wú)極值點(diǎn)時(shí)，默認(rèn)分段點(diǎn)為c₃v_max，其中0＜c₃＜1，且c₁≤c₃≤c₂；所述分段點(diǎn)滿足

其中，v_s為分段點(diǎn)。

10.如權(quán)利要求9所述的方法，其特征在于，所述步驟五中建立風(fēng)速與功率的回歸模型，具體為：

采用BP神經(jīng)網(wǎng)絡(luò)建模，所述采用BP神經(jīng)網(wǎng)絡(luò)建模包括：

(1)訓(xùn)練集X被風(fēng)速分段點(diǎn)v_s分為X₁和X₂兩部分，X₁中風(fēng)速范圍為(0,v_s)，X₂中風(fēng)速范圍為[v_s,v_max]；設(shè)定風(fēng)速間隔的取值，并對(duì)X₁和X₂按照風(fēng)速間隔劃分區(qū)間，剔除X₂末端區(qū)間內(nèi)數(shù)據(jù)量較少的區(qū)間，設(shè)定區(qū)間閥值，并對(duì)功率設(shè)定置信區(qū)間；

(2)使用BP神經(jīng)網(wǎng)絡(luò)分別建立X₁和X₂中風(fēng)速與功率關(guān)系模型，風(fēng)速作為訓(xùn)練的輸入，對(duì)應(yīng)的功率作為訓(xùn)練的目標(biāo)，分別得到模型N₁和N₂；

(3)預(yù)測(cè)集Y中風(fēng)速輸入模型，當(dāng)風(fēng)速小于v_s時(shí)使用模型N₁進(jìn)行預(yù)測(cè)，當(dāng)風(fēng)速大于v_s時(shí)使用模型N₂進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果。